如何从networkx将图形加载到PyTorch几何中并设置节点特征和标签？

Question

目标：我正在尝试将图 FROM networkx 导入 PyTorch 几何并设置标签和节点特征。

（这是在 Python 中）

问题：

1. 我该怎么做[从 networkx 到 PyTorch 几何的转换]？ （大概是使用from_networkx函数）
2. 如何转移节点特征和标签？（更重要的问题）

我看过一些其他/以前的帖子，但没有回答（如果我错了，请纠正我）。

尝试：（我只是在下面使用了一个不切实际的例子，因为我不能在这里发布任何真实的东西）

让我们想象一下，我们正在尝试在一组汽车上执行图学习任务（例如节点分类）（正如我所说的不太现实）。也就是说，我们有一组汽车、一个邻接矩阵和一些特征（例如年底的价格）。我们要预测节点标签（即汽车的品牌）。

我将使用以下邻接矩阵：（抱歉，不能使用乳胶来格式化）

A = [(0, 1, 0, 1, 1), (1, 0, 1, 1, 0), (0, 1, 0, 0, 1), (1, 1, 0, 0 , 0), (1, 0, 1, 0, 0)]

这是代码（适用于 Google Colab 环境）：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx
from torch_geometric.utils.convert import to_networkx, from_networkx
import torch

!pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.10.0+cpu.html

# Make the networkx graph
G = nx.Graph()

# Add some cars (just do 4 for now)
G.add_nodes_from([
      (1, {'Brand': 'Ford'}),
      (2, {'Brand': 'Audi'}),
      (3, {'Brand': 'BMW'}),
      (4, {'Brand': 'Peugot'}),
      (5, {'Brand': 'Lexus'}),
])

# Add some edges
G.add_edges_from([
                  (1, 2), (1, 4), (1, 5),
                  (2, 3), (2, 4),
                  (3, 2), (3, 5), 
                  (4, 1), (4, 2),
                  (5, 1), (5, 3)
])

# Convert the graph into PyTorch geometric
pyg_graph = from_networkx(G)

因此，这可以正确地将 networkx 图转换为 PyTorch Geometric。但是，我仍然不知道如何正确设置标签。

每个节点的品牌价值已经转换并存储在：

pyg_graph.Brand

下面，我刚刚为每个节点制作了一些长度为 5 的随机 numpy 数组（假装这些是真实的）。

ford_prices = np.random.randint(100, size = 5)
lexus_prices = np.random.randint(100, size = 5)
audi_prices = np.random.randint(100, size = 5)
bmw_prices = np.random.randint(100, size = 5)
peugot_prices = np.random.randint(100, size = 5)

这让我想到了主要问题：

• 如何将价格设置为该图的节点特征？
• 如何设置节点的标签？ （在训练网络时，我是否需要从 pyg_graph.Brand 中删除标签？）

提前致谢，节日快乐。

Answer 1

最简单的方法是将所有信息添加到networkx图中，并以您需要的方式直接创建它。我猜你想使用一些图神经网络。然后你想要下面的东西。

1. 您可能希望有一个分类表示，而不是作为标签的文本，例如1 代表福特。
2. 如果你想匹配“通常的约定”。然后将输入特征命名为 x，将标签/基本事实命名为 y。
3. 将数据拆分为训练和测试是通过掩码完成的。所以该图仍然包含所有信息，但只有一部分用于训练。查看PyTorch Geometric introduction 的示例，它使用了 Cora 数据集。

import networkx as nx
import numpy as np
import torch
from torch_geometric.utils.convert import from_networkx


# Make the networkx graph
G = nx.Graph()

# Add some cars (just do 4 for now)
G.add_nodes_from([
      (1, {'y': 1, 'x': 0.5}),
      (2, {'y': 2, 'x': 0.2}),
      (3, {'y': 3, 'x': 0.3}),
      (4, {'y': 4, 'x': 0.1}),
      (5, {'y': 5, 'x': 0.2}),
])

# Add some edges
G.add_edges_from([
                  (1, 2), (1, 4), (1, 5),
                  (2, 3), (2, 4),
                  (3, 2), (3, 5),
                  (4, 1), (4, 2),
                  (5, 1), (5, 3)
])

# Convert the graph into PyTorch geometric
pyg_graph = from_networkx(G)

print(pyg_graph)
# Data(edge_index=[2, 12], x=[5], y=[5])
print(pyg_graph.x)
# tensor([0.5000, 0.2000, 0.3000, 0.1000, 0.2000])
print(pyg_graph.y)
# tensor([1, 2, 3, 4, 5])
print(pyg_graph.edge_index)
# tensor([[0, 0, 0, 1, 1, 1, 2, 2, 3, 3, 4, 4],
#         [1, 3, 4, 0, 2, 3, 1, 4, 0, 1, 0, 2]])


# Split the data 
train_ratio = 0.2
num_nodes = pyg_graph.x.shape[0]
num_train = int(num_nodes * train_ratio)
idx = [i for i in range(num_nodes)]

np.random.shuffle(idx)
train_mask = torch.full_like(pyg_graph.y, False, dtype=bool)
train_mask[idx[:num_train]] = True
test_mask = torch.full_like(pyg_graph.y, False, dtype=bool)
test_mask[idx[num_train:]] = True

print(train_mask)
# tensor([ True, False, False, False, False])
print(test_mask)
# tensor([False,  True,  True,  True,  True])